Data Scientist (сопровождение процесса разработки и использования моделей)

Наша команда контроля и управления моделями является владельцем и заказчиком всех моделей оценки розничного кредитного риска банка. Мы участвуем во всех этапах создания и применения модели: постановка задачи, сопровождение разработки с командой DE, приемка результатов, оценка калибровок и уровней отсечения, мониторинг корректной работы модели. Непосредственной разработкой моделей занимаются наши коллеги из департамента моделирования, внедрением – владельцы системы. За все остальные этапы жизненного цикла модели отвечаем мы. Сейчас мы находимся в поиске коллеги, имеющего опыт в розничном риск-менеджменте, в разработке или мониторинге скоринговых моделей.
Обязанности:
участие в процессе управления разработкой новых и модификацией существующих моделей количественной оценки кредитного риска, включая: постановку задачи, предварительный анализ сегмента и параметров, передачу и уточнение требований, приемку результатов, согласование и подготовку материалов для утверждения использования моделей; участие в расчете значений фактических и прогнозных риск-показателей; участие в расчете (оценке) экономического эффекта от внедрения скоринговых моделей, уровней отсечения; контроль корректности работы скоринговых моделей, участие (в рамках полномочий) в процессе мониторинга и валидации моделей; исследование возможностей повышения эффективности прогнозных моделей; участие в разработке и согласовании функциональных требований и технических заданий по доработке информационных систем Банка в части применения моделей для принятия кредитных решений и управления кредитным риском розничного портфеля.
Требования:
высшее образование (экономическое, техническое, математическое); опыт разработки и/или валидации скоринговых моделей оценки кредитного риска розничного сегмента (модели PD, LGD, EAD - для целей принятий кредитных решений, ПВР или МСФО9); уверенное владение Python и библиотек для анализа данных: pandas, pyspark, SQL на уровне: вложенные запросы, оконные функции; знание основ математической статистики, навык применения знаний математической статистики и теории вероятностей на практике при разработке моделей; умение делать экономические выводы на основании статистического анализа, интерпретировать результаты и давать рекомендации; понимание специфики процесса розничного кредитования; хорошее понимание различных методов моделирования (преимущества, недостатки и ограничения этих методов)